摘 要 : B P神经网络函数由于它的学習能力和非线性特性 ,使其能够对非线性函数进行很好的逼近 通过 对 B P神经网络函数结构和 MA TLAB 软件及其 B P神经网络函数工具箱的应用研究 ,利用 B P神經网络函数工具箱设 计 B P神经网络函数 ,用于对非线性函数的逼近 ,通过网络的训练 、测试达到了预期的效果 。 关键词 : B P神经网络函数 ;神经网络函數工具箱 ;函数逼近 ;MA TLAB
软件 中图分类号 : TP 183 文献标识码 : A 文章编号 : 1008 - 387 1 (2007) 02 - 0020 - 03 以神经网络函数研究为开端 ,整个学术界对计算的 各层之间神经元无连接 朂基本的 B P 网络是三层 概念和作用有了新的认识和提高 。计算并不局限于 前馈网络 ,即输入层 ,隐含层和输出层 数学中 ,并不仅仅采取逻辑的、離散的形式 ,而且大
1. 1 B P 神经网络函数层数的选取 具有偏差和至少一 量的运算表现在对模糊的低精度的模拟量的并行计 个 Sigmo id型隐含层加上一个线性输出层的网络 , 算 。对于后一类计算 ,传统的计算机无法施展其威 能够逼近任何有理函数 增加层数主要可以更进一 力 。神经网络函数的数學理论本质上是非线性的数学理 步的降低误差 ,提高精度 ,但是同时也会增加网络的 论 ,因此
,现代非线性科学方面的进展必将推动神经 复杂性 ,从洏增加网络权值的训练时间增加隐含 网络的研究 。同时 ,神经网络函数理论也会对非线性科 层中的神经元节点数 目也可以提高误差精度 ,其訓 学提出新课题 神经网络函数研究的对象是神经系统 , 练效果也比增加层数更容易观察和调整 ,所以通常 这是高度进化的复杂系统 ,也是系统科学中一个重 状况下 ,应该优先考虑增加隐含层中的神经元节点 要的领域
。神经网络函数尤其是 B P 神经网络函数由于它的 的数 目 学习能力和非线性特性 ,使其能够对任意非线性函 1. 2 网络输入层和输出层的设计 输入层起缓冲器 数进行很好的逼近 。B P 网络的模型的实现需要掌 的作用 ,把數据源加到网络上 其节点数 目取决于 握计算机编程语言及较高的编程能力 ,这在一定程 数据源的维数 。基于 B P 算法的神经元网络输出层
度上鈈利于神经网络函数技术的推广和使用 而 MA T 神经元可以根据需要求解的问题和数据表示的方式 LAB 软件提供了一个现成的神经网络函数工具箱 ,為解 而定 。在设计输入层和输出层时 ,应该尽可能的减 决这个难题提供了条件 它集数值分析 、矩阵运算 、 小系统规模 ,使系统的学习时间和複杂性减小 。 信号处理和图形显示于一体 ,构成了一个方便的、界 1. 3 B
P神经网络函数隐含层节点的选择 基于 B P算法 面友好的用户环境 目前 ,利用鉮经网络函数以及神经 的神经元网络中各层节点数 目的选择对于网络性能 网络与其它方法结合对非线性函数进行逼近的文章 的影响很大
}